Normalmente tendrás que usar el set X a representar a la caja negra de las restricciones, por ejemplo, las restricciones para que usted no tiene una analítica de la representación. Se podría consistir en la salida de un equipo de código que devuelve True si las restricciones son satisfechas y False en caso contrario. En general, si usted tiene analítico de las descripciones de las restricciones, es a su ventaja para el uso de ellos. No es la investigación en mixto de la caja negra de optimización, donde el problema tiene una mezcla de la caja negra de las limitaciones y restricciones explícitas, pero no obtener el máximo provecho de su problema en términos de eficiencia, si usted ha clasificado erróneamente limitaciones como la caja negra de las restricciones.
En cuanto a la transformación de la igualdad y en dos de las desigualdades, que hará que la mayoría de los algoritmos para el buen optimización para romper (asumiendo h es suave). Es fácil ver por qué: la mayoría de los métodos es el objetivo de satisfacer las condiciones KKT (de primer orden de optimalidad). Sin embargo las condiciones KKT son necesarias para la optimalidad SI una restricción de calificación está satisfecho. Una restricción de calificación es un certificado de que la expresión analítica del conjunto factible es, en cierto sentido, no redundante en la descripción de su geometría.
Consideremos por ejemplo las limitaciones de la x^3 \leq 1x^3 \geq 1. Vemos claramente una cierta redundancia aquí. ¿Por qué no decir x^3 = 1? ¿Por qué no decir x=1???
La redundancia se manifiesta en la restricción de calificación. El más ampliamente utilizado de la restricción de la calificación de la condición es la independencia lineal de la restricción de la calificación de la condición (LICQ). Se requiere que los gradientes de las restricciones que están satisfechos como una igualdad en una solución linealmente independiente. Esto se refiere, por supuesto, todas las restricciones de igualdad, sino también de todas las desigualdades que son "activos" (es decir, g_i(x) = 0 en su notación). Desde h fue una de las restricciones de igualdad, vamos a tener necesariamente h(x) = 0 a una solución, pero los gradientes de las funciones h -h no puede ser linealmente independientes. Tratar de resolver un problema con x^3 \leq 1 x^3 \geq 1 en uno de los NEOS y los solucionadores podrás observar problemas: http://neos-server.org/neos
Te quedarás en el mismo tipo de problemas si uno de los activos de la restricción de los gradientes se desvanece en una solución. Considere, por ejemplo, la restricción x^2 = 0. Cuando los problemas son generados automáticamente por algún procedimiento, es muy difícil de comprobar dichos redundancia, pero cuando el modelo de un problema a mano desde cero, es importante mirar hacia fuera para él.
Volviendo al primer tema, no es un teórico de ventaja a la descripción de cualquier conjunto factible, como acaba de X \subseteq \mathbb{R}^n. Es que el primer orden de optimalidad condiciones son simplemente eso -\nabla f(x) debe estar en la normal de cono aXx. Y esto no depende de ninguna restricción de calificación debido a que esta es una afirmación que no sólo se refiere a la geometría del conjunto factible, no su descripción analítica.
Para obtener más información, echa un vistazo a el libro de Bazaraa, Sherali y Shetty, o "Optimización Numérica" por Nocedal y Wright (Springer).